Sierra, startup d'agents conversationnels co-fondée par Bret Taylor, a refondu son processus d'entretien ingénieur pour refléter la transformation du métier à l'ère des agents de codage (Codex, Claude Code). La thèse des auteurs — Vijay Iyengar, Arya Asemanfar et Angie Wang — est que le rôle d'ingénieur évolue de "construire la machine" vers "designer et affiner la machine", par analogie avec la manière dont les ingénieurs ont cessé de se soucier de la traduction compilateur → instructions machine. Quand un seul ingénieur peut désormais construire sur toute la stack, la valeur vient de combiner capacité technique, pensée produit et contexte business.
Le constat initial : le processus historique (deux coding interviews, algorithmes, system design, culture fit) capturait surtout de la mécanique — taper de la syntaxe, restituer des détails algorithmiques, assembler des frameworks. Ce signal devenait dissonant avec la réalité quotidienne du travail. Les hiring managers compensaient en se rabattant sur les recommandations et l'expérience antérieure.
Trois critères ont guidé la refonte : représentativité (reflète le travail réel), haut signal (clarté sur où le candidat excelle ou a besoin de soutien), expérience positive. La pièce maîtresse est un "AI-native onsite" en trois temps. Plan : session de travail où le candidat ideate un produit dans son domaine, avec des questions des interviewers pour renforcer l'idée. Build : 2h en solo, avec les outils AI et frameworks choisis par le candidat, liberté totale de pivot. Review : démo, débat sur les choix produits, revue de code (data model, abstractions, extensibilité), discussion sur le chemin vers la production et sur l'usage de l'AI. Les candidats peuvent couper le scope et skipper le boilerplate, selon la formule de Paul Buchheit : "if it's great, it doesn't have to be good".
Le reste du processus a suivi. Le phone screen de coding (sans AI, dans un éditeur en ligne) est remplacé par un entretien de system design — puisque le vibe-coding est facile, le défi réel est la mise en production scalable. Un "debugging interview" est piloté pour capter le 1→N dans des codebases existants : le candidat revoit une PR cross-cutting avec des agents.
Les apprentissages : on recrute pour les forces, pas pour l'absence de faiblesses ; les débriefs passent de "faut-il l'embaucher ?" à "où cette personne excellera-t-elle ?". Les candidats rapportent des entretiens plus engageants — un a construit un jeu AI de flow, un ingénieur backend a piloté sa démo via un agent et un fichier markdown. Les défis (standardisation, calibration) sont mitigés par des critères agnostiques au produit construit et des binômes d'interviewers. Le format s'applique aussi à l'infra, où les ingénieurs construisent désormais full-stack et s'intègrent verticalement au produit.